استنباط درستنمايي مركب در مدل هاي آميخته خطي تعميم يافته فضايي با استفاده از ميدان تصادفي چولهگاوسي ايستا

Composite likelihood inference in spatial generalized linear mixedmodels using a stationary skew Gaussian random field

براي مدل بندي داده هاي ناگاوسي معمولا از مدل آميخته خطي تعميم يافته فضايي استفاده مي شود كه همبستگي فضايي در اين مدل ها با استفاده از متغيرهاي پنهان گاوسي وارد مدل مي شوند. در اين مقاله متغيرهاي پنهان با استفاده از يك ميدان تصادفي چوله گاوسي ايستا مدل بندي و يك الگوريتم جديد براساس درست نمايي حاشيه اي مركب ارائه مي شود. كارايي ميدان تصادفي به كار گرفته شده و الگوريتم پيشنهادي در يك مثال شبيه سازي پياده سازي مي شود.

A spatial generalized linear mixed model is commonly used to model non-Gaussian data and the spatial correlation of the data is modelled by latent variables. In this paper, latent variables are modeled using a stationary skew Gaussian random field and a new algorithm based on composite marginal likelihood is presented. The performance of this stationary random field in the model and the proposed algorithm are implemented in a simulation.